Atthariq 1, Mai Amini 2

Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858

IDENTIFIKASI IKAN KERAPU BERDSARKAN POLA KULIT DENGAN METODE GLCM DAN EUCLIDEAN DISTANCE

Atthariq1 , Mai Amini2 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan banda Aceh-Medan KM.275,5, Buketrata- Lhokseumawe, 24301,P.O.Box 90 Telepon (0645) 4278, Fax.42785, Indonesia Pengolahan Citra. 1 [email protected] [email protected]

ABSTRAK Industri perikanan di Indonesia mengembangkan ikan kerapu yang pada umumnya digunakan untuk kepentingan ekspor. Oleh karena itu pengekspor perlu mengelompokkan ikan kerapu tersebut dalam jenis-jenis tertentu. Untuk melihat jenis - jenis ikan kerapu tersebut secara fisik mempunyai ciri pola kulit yang mampu dibedakan oleh penglihatan manusia tetapi membutuhkan waktu yang sangat lama. Dengan adanya teknologi Digital Image Processing, identifikasi pola kulit ikan kerapu dapat dikembangkan dan bermanfaat khususnya dibidang pengekspor.Penelitian ini bertujuan untuk menerapkan metode Gray Level Co-Occurence Matrix untuk menghasilkan nilai fitur pada pola kulit pada ikan kerapu. Perbedaan pola kulit ikan kerapu digunakan dengan cara mengidentifikasi pada tiap-tiap pola kulit ikan kerapu dengan menggunakan metode Euclidean Distance yang hasilnya menentukan jenis ikan kerapu melalui pola kulit ikan kerapu.Dalam penelitian ini diperoleh tingkat keakuratan sistem ini yaitu 84%.

1.

PENDAHULUAN

Ikan kerapu merupakan komoditas ekspor yang bernilai ekonomis tinggi di pasar Asia terutama Hongkong dan Singapura. Karena harganya mahal dan merupakan komoditas ekspor, Budidaya ikan kerapu di Indonesia saat ini meningkat cukup pesat. Peningkatan Ikan kerapu merupakan komoditas ekspor yang bernilai ekonomis tinggi di pasar Asia terutama Hongkong dan Singapura tersebut ditunjang oleh pengetahuan tentang teknik budidaya yang semakin berkembang, keterbatasan sumber daya ikan kerapu di alam yang makin berkurang akibat eksploitasi berlebih, serta permintaan pasar yang meningkat, terutama dari negara-negara seperti Singapura, Hongkong, Jepang dan Cina. Produksi ikan kerapu saat ini sebagian besar merupakan hasil dari penangkapan dari alam, namun sebagian nelayan membudidayakannya. Perairan Indonesia memiliki berbagai jenis ikan kerapu dengan nilai ekonomis tinggi, di antaranya Jenis-jenis ikan kerapu yang telah berhasil dibudidayakan di Indonesia khususnya di Aceh adalah Kerapu Cantik (Epinephelus sp), Kerapu Cantang (Epinephelus sp), Kerapu Lumpur (Epinephelus Coioides), Kerapu Kodok (Epinephelus Fuscoguttatus) dan Kerapu Bulat (Epinephelus Coioides).

Perkembangan ikan kerapu pada umumnya digunakan untuk kepentingan ekspor. Oleh karena itu pengekspor perlu mengelompokkan ikan kerapu tersebut dalam jenis-jenis tertentu. Untuk melihat jenis - jenis ikan kerapu tersebut secara fisik mempunyai ciri pola kulit yang mampu dibedakan oleh penglihatan manusia tetapi membutuhkan waktu yang lama, oleh karena itu berkat perkembangan teknologi penulis membangun sebuah aplikasi untuk memilah berbagai jenis ikan kerapu berdasarkan pola kulit sehingga tidak lagi dengan cara manual. Dengan metode yang akan digunakan untuk mengekstraksi fituri ikan kerapu adalah metode statistika ciri orde dua. Salah satu cara untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu.kemudian dilakukan identifikasi dengan menggunakan Euclidean Distance. 2. LANDASAN TEORI 2.1 IKAN KERAPU Sebagai komoditas ekspor, ikan kerapu dalam perdagangan internasional dikenal dengan nama Grouper atau Trout. Ikan kerapu tersebar cukup luas, baik didaerah tropika maupun sub-tropika. Jika dibandingkan dengan jenis ikan lain , ikan

38


kerapu lebih mudah dibedakan, karena memiliki bentuk dan warna yang khas. Namun, untuk membedakan antar-spesies ikan kerapu sendiri tidaklah mudah, karena antara satu dengan yang lainnya memiliki bentuk dan warna yang hampir sama. Jenis-jenis ikan kerapu yang ingin diidentifikasi yaitu : ikan kerapu cantik, ikan kerapu cantang, ikan kerapu kodok, ikan kerapu lumpur, ikan kerapu bulat. Gambar 1 menunjukkan ikan kerapu cantang.[3] Gambar 3 Arah dalam menghitung GLCM dengan sudutt 00, 450, 900 dan 1350[4]

Gambar 1 Ikan Kerapu Cantang

2.2 Gray Level Coocurence Matrix (GLCM) Gray Level Coocurence Matrix adalah suatu matriks yang elemen-elemennya merupakan jumlah pasangan piksel yang memiliki tingkat kecerahan tertentu, di mana pasangan piksel itu terpisah dengan jarak d, dan dengan suatu sudut inklinasi θ. Dengan kata lain, matriks kookurensi adalah probabilitas munculnya gray level i dan j dari dua piksel yang terpisah pada jarak d dan sudut θ. Suatu piksel yang bertetangga yang memiliki jarak d diantara keduanya, dapat terletak di delapan arah yang berlainan (Albregtsen), hal ini ditunjukkan pada Gambar 2.

Gambar 4 Langkah pertama mengubah GLCM.[4] 2.3 Fitur-Fitur GLCM Haralick dkk mengusulkan berbagai jenis ciri tekstur yang dapat diekstraksi dengan matriks kookurensi .[1] Beberapa di antaranya adalah sebagai berikut: a)

Energy (Angular Second Moment) Angular second moment menunjukkan ukuran sifat homogenitas citra dimana p (i,j) merupakan menyatakan nilai pada baris i dan kolom j pada matriks kookurens. Untuk menghasilkan nilai Angular second moment digunakan rumus yang dikemukakan [1] sebagai berikut :

b) Gambar 2 Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak spasial[2]

Correlation

Korelasi menyatakan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra. Untuk menghasilkan nilai correlation digunakan rumus yang dikemukakan [1] sebagai berikut :

Arah piksel tetangga untuk mewakili jarak dapat dipilih, misalnya 1350, 900, 450, 00 atau, seperti yang diilustrasikan pada Gambar 2 Sedangkan Gambar 3 menggambarkan bagaimana untuk menghasilkan matriks menggunakan arah 00 dan dengan jarak 1 piksel.

x adalah nilai rata-rata elemen kolom pada matriks Pdθ(i , j). y adalah nilai rata-rata elemen baris pada matriks Pdθ(i , j).

39


Terdapat 2 vektor sebagai berikut : A=[0,3,4,5]

x adalah nilai standar deviasi elemen kolom pada matriks Pdθ(i , j). y adalah nilai standar deviasi elemen baris pada matriks Pdθ(i , j).

B=[7,6,3, −1] Euclidean Distance dari vector A dan B adalah

c)

Homogeneity (Inverse Different Moment) Inverse different moment menunjukkan kehomogenan citra yang berderajat keabuan sejenis.Citra homogen akan memilih harga IDM yang besar. Untuk menghasilkan nilai inverse different moment digunakan rumus yang dikemukakan [1] sebagai berikut :

Jarak euclidean adalah jarak antara dua titik dalam ruang euclidean. Kedua menunjuk P dan Q di dua ruang euclidean dimensi dan P dengan koordinat (p1, p2), Q dengan koordinat (q1, q2). Garis segmen dengan titik akhir dari P dan Q akan membentuk miring dari segitiga siku kanan. Jarak antara dua titik p dan q didefinisikan sebagai akar kuadrat dari jumlah kuadrat dari perbedaan antara yang sesuai koordinat dari titik-titik.

d) Entropy Entropy menunjukkan ukuran ketidak teraturan bentuk. Harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi). Untuk menghasilkan nilai Entropy digunakan rumus yang dikemukakan [1] sebagai berikut :

3.

METODE PENGUMPULAN DATA

Pada penelitian ini digunakan data berupa citra ikan kerapu yang berformat.jpg. Citra dengan tekhnik pengambilan secara langsung. Proses pengambilan citra diambil secara manual menggunakan kamera Nikon D5100. dengan jarak 15 cm dari latar dengan kondisi cahaya yang cerah dan merata.

ENT2= 2.4

EUCLIDEAN DISTANCE Tahap terakhir dalam aplikasi identifikasi adalah mencari kemiripan antara citra latih dengan fitur dari citra uji. Dalam program aplikasi identifikasi pola kulit ikan kerapu yang digunakan pada penelitian ini adalah Euclidean Distance. Euclidean Distance merupakan teknik yang paling sederhana untuk menghitung jarak di antara dua vektor. Misalkan diberikan dua buah fitur vektor P dan Q, maka jarak di antara dua fitur vektor P dan Q. Euclidean Distance adalah metrika yang paling sering digunakan untuk menghitung kesamaan dua vector. Tingkat kesamaan berupa suatu skor dan berdasarkan skor tersebut dapat dikatakan mirip atau tidak. Rumus Euclidean Distance adalah akar dari kuadrat perbedaan 2 vektor (root of square difference between 2 vectors). [6] Rumus dari Euclidean Distance adalah sebagai berikut:

3.1 PERANCANGAN Diagram alir identifikasi pola kulit ikan kerapu menggunakan metode Gray level Coocurence Matrix dan Euclidean Distance adalah diagram yang menunjukkan alir (flow) di dalam program. Selain itu, dapat juga dikatakan sebagai prosedur kerja dari sistem yang sedang dikerjakan secara keseluruhan.Adapun diagram alir sistem ini ditunjukkan oleh gambar 4 berikut ini.

Keterangan : dij= tingkat perbedaan (dissimilarity degree) Pi= vektor citra input Qj= vektor citra pembanding /output Contoh :

40


d.

Identifikasi Euclidean Distance Pada proses euclidean distance ini adalah proses akhir dari pengenalan citra pola kulit ikan kerapu yang telah diproses ekstraksi fitur sebelumnya.Pengujian identifikasi citra pola kulit ikan kerapu dilakukan dengan menggunakan metode jarak euclidean. Hasil ekstraksi fitur inputan citra kemudian dilakukan pencocokan dengan fitur yang terdapat dalam database dengan menggunakan euclidean distance menampilkan citra yang mirip dengan citra input. e.

Hasil Proses akhir aplikasi outputnya adalah mengeluarkan id ikan yang cocok pada database, nama jenis ikan kerapu , nilai euclidean distance dan kecocokannya.

4.

HASIL DAN PEMBAHASAN

4.1 HASIL PENGUJIAN SISTEM MENGGUNAKAN SUDUT 00, 450, 900 DAN 1350. Gambar 5 Diagram alir keseluruhan sistem

Tabel 1 Hasil pengujian menggunakan sudut 00

sistem

dengan

Adapun tahapan-tahapan yang dilakukan yaitu : a.

Input Citra Tahap ini pemilihan masukan berupa citra ikan kerapu yang diambil dari camera digital. Citra ini yang kemudian akan dijadikan citra awal pemrosesan sebagai citra training. b.

Normalisasi citra Proses normalisasi merupakan proses awal dari sistem identifikasi ikan kerapu. Pada proses normalisasi akan dilakukan proses pemotongan gambar menjadi 100 x 100 pixel pada bagian kulit ikan kerapu.

Data hasil pengujian sistem identifikasi ikan kerapu cantang dengan menggunakan sudut 00dengan fitur correlation, energy, entropy, homogen yang telah dilakukanuntuk 5 jenis ikan kerapu cantang uji maka di peroleh hasil keseluruhan 100% berhasil dikenali dan 0% tidak dapat dikenali.

c.

Ekstraksi GLCM Kemudian dilakukan proses ekstraksi fitur dengan menggunakan Gray Level Co-occurrence Matrix. Pada proses ekstraksi fitur citra berwarna akan diubah menjadi citra keabuan kemudian citra masukan yang berupa pola kulit ikan kerapu yang sudah dinormalisasi selanjutnya akan diekstraksi fitur dengan menggunakan metode gray level coocurrence matrix. Matriks kookurensi diperoleh dari 4 arah derajat keabuan yaitu 0°, 45°, 90° dan 135° dari empat arah tersebut dihitung ciri statistik yang mempresentasikan citra yang diamati. Jenis yang diekstraksi dalam matriks kookurensi disini ada 4 ciri yaitu: energi, entropy, correlation, dan homogenity.


41

sistem

dengan


keseluruhan 100% berhasil dikenali dan 0% tidak dapat dikenali. Dari tingkat persentase hasil pengujian dapat digambarkan grafik tingkat keberhasilan dan errornya sistem seperti berikut ini .

Data hasil pengujian sistem identifikasi ikan kerapu cantang dengan menggunakan sudut 450 dengan fitur correlation, energy, entropy, homogen yang telah dilakukan untuk 5 jenis ikan kerapu cantang uji maka di peroleh hasil keseluruhan 100% berhasil dikenali dan 0% tidak dapat dikenali. Tabel 3 Hasil pengujian menggunakan sudut 900

sistem

Gambar 6 Grafik Hasil Pengujian Dari grafik diatas dapat dilihat bahwa identifikasi ikan kerapu berdasarkan pola kulit dengan presentase yang paling tinggi yaitu pada jenis ikan kerapu cantang 100%, sedangkan yang terendah yaitu pada jenis ikan kerapu kodok dengan presentase 65%. Untuk menghitung tingkat presentase keberhasilan identifikasi ikan kerapu dapat digunakan persamaan berikut ini.

dengan

= 100% Data hasil pengujian sistem identifikasi ikan kerapu cantang dengan menggunakan sudut 900 dengan fitur correlation, energy, entropy, homogen yang telah dilakukan untuk 5 jenis ikan kerapu cantang uji maka di peroleh hasil keseluruhan 100% berhasil dikenali dan 0% tidak dapat dikenali.

Sedangkan untuk menghitung presentase tingkat keberhasilan sistem terhadap identifikasi ikan kerapu kodokyaitu seperti berikut ini.


5.

sistem

dengan

SIMPULAN

Setelah melakukan objek penelitian dan percobaan mengenai sistem Identifikasi ikan kerapu berdasarkan pola kulit menggunakan metode Gray- Level Co-occurences Matrix (GLCM) dan euclidean distancepada bab sebelumnya, maka dapat diambil kesimpulan sebagai berikut : 1.

Data hasil pengujian sistem identifikasi ikan kerapu cantang dengan menggunakan sudut 1350 dengan fitur correlation, energy, entropy, homogen yang telah dilakukan untuk 5 jenis ikan kerapu cantang uji maka di peroleh hasil

42

Berdasarkan uji coba yang telah dilakukan menggunakan jarak antara data uji dengan data acuan, sistem identifikasi ikan kerapu berdasarkan pola kulit ini dapat mengidentifikasi jenis ikan kerapu yang telah ditentukan yaitu kerapu cantang, kerapu bulat, kerapu cantik, kerapu kodok dan kerapu lumpur.


2.

3.

Dari penelitian ini hasil pengujian sistem didapatkan keakuratan yang dimiliki sistem ini yaitu sebesar 84 %. Hasil identifikasi ikan kerapu ini terdapat hasil identifikasi yang tidak sesuai dengan data yang diuji hal ini disebabkan oleh faktor cahaya dan pengambilan objek citra yang tidak sesuai saat pengambilan objek citra, gangguan pencahayaan yang kurang baik dan pengambilan objek citra yang tidak sesuai akan menghasilkan output yang tidak sesuai.

DAFTAR PUSTAKA [1] Albregtsen, Fritz., 2008. Statistical Texture Measures Computed from Gray Level Coocurrence Matrices, Image Processing Laboratory, Department of Informatics, University of Oslo. [2] Ganis, K.Y., Santoso, I., Isnanto, R., 2011. Klasifikasi Citra Dengan Matriks KoOkurensi Aras Keabuan (Gray Level CoOccurrence Matrix-GLCM) Pada Lima Kelas Biji-Bijian, Undergraduate thesis, Jurusan Teknik Elektro Fakultas Teknik Undip. [3] Ismi Suko, dkk. Pengolaan Pendederan Ikan Kerapu: Suatu Panduan Praktik Terbaik “. Bali : Penerbit Aciar, 2013.

[4] Kadir, Abdul dan Adhi Susanto. Teori dan Aplikasi Pengolahan Citra. Yogyakarta : Penerbit Andi offset, 2013. [5] Kusuma, A.A.,Isnanto, R., Santoso, I., 2011. Pengenalan Iris Mata Menggunakan Pencirian Matriks Ko-Okurensi Aras Keabuan, Undergraduate thesis, Jurusan Teknik Elektro Fakultas Teknik. [6] Putra, Dharma. 2010. PengolahanCitra Digital. ANDI.Yogyakarta. [7] Wulanningrum, Resty. Dkk. 2012(juni) ” Pengenalan Rumput Laut Menggunakan Euclidean Distance Berbasis Ekstraksi Fitur ”. Program Studi Teknik Informatika, I, Universitas Trunojoyo Madura, Yogyakarta.

43

Atthariq 1, Mai Amini 2

Recommend Documents